올라프의 삶

데이터의 누적합을 알고 싶을 때 df.apply(np.cumsum)

데이터프레임 복사하기 df1 = df.copy() cf) 그냥 = 기호를 이용해서 복사하면 실제 데이터의 내용이 복사되는 것이 아니라 데이터 위치만 복사되기 때문에 원본 데이터는 하나만 있게 된다.

pandas 날짜형의 데이터 date_range 기본 날짜를 지정하고 periods 옵션으로 6일간 지정 dates = pd.date_range('20130101', periods=6) DatetimeIndex(['2013-01-01', '2013-01-02', '2013-01-03', '2013-01-04', '2013-01-05', '2013-01-06'], dtype='datetime64[ns]', freq='D')

pop_Seoul = pd.read_excel('./01. population_in_seoul.xls', header = 2, usecols = "B, D, G, J, N")

맥과 윈도우의 한글 인코딩 방식 차이 때문입니다. 맥은 utf-8 방식을 쓰고 윈도우는 cp949 방식을 씁니다. 윈도우에서 엑셀로 파일을 열고 저장을 하면 cp949방식으로 저장을 하기 때문에 df = pd.read_csv('data/parks.csv', encoding='cp949') 이렇게 하면 한글이 깨지지 않고 출력됩니다.

선택하여 열 이름 변경하기 df.rename(columns={'Before':'After'}) CCTV_Seoul.rename(columns = {CCTV_Seoul.columns[0] : '구별'}, inplace = True)

▶ 중학교 수학 수준에 맞춰 설명했던 기울기 a나 y절편 b와 같은 용어를 퍼셉트론의 개념에 맞춰 좀 더 ‘딥러닝답게’ 표현해 보면 다음과 같음 ▶ 기울기 a는 퍼셉트론에서는 가중치를 의미하는 w(weight)로 표기됨 ▶ y절편 b는 똑같이 b(bias)라고 씀 ▶ 가중 합(weighted sum) : 입력 값 x과 가중치 w의 곱을 모두 더한 다음 거기에 바이어스 b를 더한 값 ▶ 활성화 함수(activation function) : 가중합의 결과를 놓고 (시그모이드)1 또는 0을 출력해서 다음으로 보내는데, 여기서 0과 1을 판단하는 함수(sigmoid함수, relu함수, softmax함수 등)

▶ 케라스의 가장 큰 장점 중 하나는 model.add( ) 함수를 이용해 필요한 만큼의 층을 빠르고 쉽게 쌓아 올릴 수 있다는 것 ▶ model.add( ) 함수안에는 Dense( ) 함수가 포함되어 있음 ▶ dense는 ‘조밀하게 모여있는 집합’이란 뜻으로, 각 층이 제각각 어떤 특성을 가질지 옵션을 설정하는 역할 ▶ 오차 함수(loss), 최적화(optimizaer), 모델 수행 결과(metrics) ▶ 딥러닝의 구조와 층별 옵션을 정하고 나면 compile( ) 함수를 이용해 이를 실행 ▶ 입력값이 네트워크 층을 거치면 예측값이 나오고, 이를 실제값과 비교해서 Loss score를 계산한 후에 Optimizer를 통해 Weight를 업데이트 한다.

▶ Sequential( ) 함수 : 딥러닝의 구조를 한 층 한 층 쉽게 쌓아올릴 수 있게 해 줌 ▶ Sequential( ) 함수를 선언하고 나서 model.add( ) 함수를 사용해 필요한 층을 차례로 추가하면 됨